Ego-Motion Estimation and Dynamic Motion Separation from 3D Point Clouds for Accumulating Data and Improving 3D Object Detection

要約

新しい 3+1D 高解像度レーダー センサーは、従来の低解像度レーダー センサーと比較して比較的手頃な価格で検出が向上しているため、自動車分野での 3D 物体検出の重要性が高まっています。
LIDAR センサーと比較した高解像度レーダー センサーの制限の 1 つは、生成される点群がまばらであることです。
この希薄性は、後続のタイム ステップのレーダー点群を蓄積することで部分的に克服できます。
この貢献は、デルフトビュー データセット上にレーダー点群を蓄積することの制限を分析します。
さまざまなエゴモーション推定アプローチを採用することで、データセット固有の制約と考えられる解決策が分析されます。
さらに、学習ベースのインスタンスの動き推定アプローチを導入して、物体検出のために蓄積された点群に対する動的動きの影響を調査します。
実験では、エゴモーション推定と動的モーション補正アプローチを適用することにより、物体検出パフォーマンスが向上することが実証されました。

要約(オリジナル)

New 3+1D high-resolution radar sensors are gaining importance for 3D object detection in the automotive domain due to their relative affordability and improved detection compared to classic low-resolution radar sensors. One limitation of high-resolution radar sensors, compared to lidar sensors, is the sparsity of the generated point cloud. This sparsity could be partially overcome by accumulating radar point clouds of subsequent time steps. This contribution analyzes limitations of accumulating radar point clouds on the View-of-Delft dataset. By employing different ego-motion estimation approaches, the dataset’s inherent constraints, and possible solutions are analyzed. Additionally, a learning-based instance motion estimation approach is deployed to investigate the influence of dynamic motion on the accumulated point cloud for object detection. Experiments document an improved object detection performance by applying an ego-motion estimation and dynamic motion correction approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google